基于BP神经网络的入境旧机电产品再制造质量评估研究

0 引言

再制造是循环经济、再利用的高级形式，是绿色制造技术研究领域的学术热点问题[1]。国务院关于印发《中国制造2025》的通知，明确提出推进资源高效循环利用：“大力发展再制造产业，实施高端再制造、智能再制造、在役再制造，推进产品认定，促进再制造产业持续健康发展”[2]。入境旧机电产品的再制造，能够实现对产品附加资源的最充分回收，高度契合了国家发展循环经济的战略，不仅对缓解资源与环境压力、促进节能减排、实现经济增长方式转变具有重要意义[3-4]。随着经济全球化步伐的加快以及产业转移，我国入境旧机电产品的数量近几年持续呈现上升趋势[5]。虽然我国再制造产业已初具规模，但规范化程度依然较低。同时，由于管理体制与政策特点不同，国外的研究成果的参考价值也较低。入境旧机电产品再制造质量是制约再制造企业生存发展的重要因素，其质量控制是再制造企业面临的核心问题，也是再制造企业提升核心市场竞争力的主要手段。与传统产品制造过程不同，旧机电产品再制造的毛坯是废旧零部件，其原始质量和服役工况对再制造质量影响甚大。因此，开展入境旧机电产品再制造质量的形成规律研究，构建入境旧机电产品再制造质量评估模型，解决入境旧机电产品再制造质量控制问题，具有明显的环境效益、社会效益和经济效益。BP神经网络作为一种误差反向传播神经网络，能够模仿人脑的神经网络结构，具有很强的自组织能力，结构简单、易于实现且泛化能力卓越，在各种质量评估模型中得到广泛应用[6-7]。

综合上述分析，结合BP神经网络强大的非线性映射能力，开展入境旧机电产品的再制造质量评估，解决复杂的、高度不确定的入境旧机电产品再制造质量控制问题，对于提高再制造产品质量、降低再制造成本、提高再制造系统稳定性及对于我国大力发展再制造工程都具有重要的实际意义。

1 再制造质量评估策略

入境旧机电产品再制造质量的影响因素较多，具体可分为预处理质量、再设计质量、再生产质量和销售服务质量等4类，如图1所示。

图1 再制造质量影响因素

预处理质量因素包括回收、拆卸、清洗等质量因素。回收质量指入境旧机电产品回收时的整体质量，受报废原因、服役工况及时间、损伤状态等影响，具有不确定性。拆卸是再制造的首要工序，其质量对入境旧机电产品的再制造质量影响甚大。清洗质量将直接影响检测质量，从而对再制造加工质量和再装配质量造成影响。

再设计质量因素包括质量总体规划、技术方案设计、工艺方案决策等影响因素，分别代表入境旧机电产品再设计过程的3个阶段。首先，根据现有入境旧机电产品再制造市场反馈，制定相应的产品性能参数，并基于此对再制造工艺要求进行制定。而受制于原有旧产品的结构、功能与材料等因素，还需对再制造技术方案进行详细设计，以保证其实现的可行性。工艺方案决策则是依据再制造工艺要求进行，保证再制造工艺能够实现所有再设计加工要求。

再生产质量因素包括零件再制造、部件再装配、整机调试与检验等影响因素。具体而言，再生产过程包括入境旧机电产品零部件的再制造、新零件的采购或加工、再制造零部件的质量检验与装配、整机调试与检验。由于入境旧机电产品零部件的再制造工艺路线具有不确定性，从而对再制造质量造成影响。

销售服务质量因素包括售前服务、售中服务、售后服务等影响因素。用户最终感受到的入境旧机电产品再制造质量不仅是产品本身的质量，还包括产品的售前、售中和售后的服务质量，尤其在国内对再制造认可度不高的前提下，销售服务质量更是入境旧机电产品再制造质量的重要影响因素。

采用上述12个再制造质量影响因素进行综合评估，可将入境旧机电产品再制造质量等级分为可再利用、可修复、可再制造、报废处理等4个等级。

基于上述再制造质量影响因素分析，构建入境旧机电产品再制造质量评估策略框架如图2所示。再制造质量评估策略框架为交互层、预测层、建模层组成的3层结构。交互层具有友好的人机界面，实现用户与系统的数据交互。预测层是入境旧机电产品再制造质量评估策略的核心层，包括数据组织与管理和BP神经网络预测模型等2个模块。4类评估指标通过交互层输入后传递给预测层的数据组织与管理模块，数据组织与管理模块调用BP神经网络预测模型对入境旧机电产品再制造质量评估并将评估结果反馈给交互层，通过人机界面将结果呈现给用户。需要时，数据组织与管理模块利用存储的样本数据调用建模层的BP神经网络训练模块重新建立BP神经网络预测模型。

图2 再制造质量评估策略框架

BP神经网络预测模型是再制造质量评估策略的核心。BP神经网络预测模型采用三层结构，包括输入层、隐含层和输出层，如图3所示。输入层共12个神经元，输入向量为X=[x1，x2，…，x12]。与入境旧机电产品再制造质量影响因素对应，X的各个元素分别代表回收x1、拆卸x2、清洗x3、质量总体规划x4、技术方案设计x5、工艺方案决策x6、零件再制造x7、部件再装配x8、整机调试与检验x9、售前服务x10、售中服务x11和售后服务x12等影响因素。输出层共有4个神经元，输出向量Y=[y1y2y3y4]与再制造质量评估结果的对应关系如表1所示。值得注意的是，BP神经网络预测模型计算得到的输出层各个神经元的输出值yi（i=1，2，3，4）不一定是整数，因此必须对各个yi进行圆整。隐含层神经元个数K对BP神经网络预测模型的预测精度有较大影响，神经元个数太少则网络学习性能较差，需要训练次数较多，训练精度也受影响，而神经元个数太多则所需训练时间较长且网络容易过拟合。为此，采用式（1）～式（3）计算隐含层神经元数量K对BP神经网络预测模型进行训练，并以预测精度最高的模型对应的数K作为最终取值[8]。

图3 BP神经网络结构

表1 输出向量与再制造质量等级对应关系

式中，N为输入层的神经元数量，U为输出层神经元数量，α为[1，10]之间的常数，此处N=12，U=4。

2 再制造质量评估实例研究

基于入境旧机电产品再制造质量评估策略，以某入境旧车床再制造质量评估为研究对象，在现有评估样本的基础上，对BP神经网络预测模型进行训练。现有评估样本共237个样本，按7:3的比例确定训练样本和测试样本，其中训练样本数量为166个，测试样本数量为71个。训练过程均方误差收敛曲线如图4所示。训练过程迭代次数为163次，最终收敛误差为0.0018954，利用71个样本对预测BP神经网络预测模型进行测试，正确预测样本数为69个，预测精度为97.18%，满足模型预测精度要求。

图4 训练过程均方误差收敛曲线

在获得BP神经网络预测模型的基础上，构建入境旧车床再制造质量评估系统如图5所示。通过该评估系统，在输入预处理质量、再设计质量、再生产质量和销售服务质量等12个指标的基础上，点击“质量评估”按钮，即可实现根据当前指标值对入境旧车床再制造质量进行评估，并将网络输出及评估结论显示在评估结果栏内。如当输入向量 为X=[0.85，0.92，0.93，0.88，0.85，0.82，0.78，0.74，0.82，0.75，0.80，0.82]时，网络输出为Y=[0，1，0，0]，评估结论为可修复。此外，系统还提供了样本集添加和BP神经网络预测模型重新训练等功能。以当前指标值与其对应的评估结果作为新样本，点击“添加至训练集”按钮可将当前样本添加至系统训练样本集，点击“添加至测试集”按钮可将当前样本添加至系统测试样本集，点击“重新训练”按钮即可利用训练样本集重新训练BP神经网络预测模型，并利用测试样本集测试BP神经网络预测模型的精度。

图5 入境旧车床再制造质量评估系统

3 结论

针对入境旧机电产品再制造质量影响因素多、质量控制难度大等问题，结合BP神经网络强大的非线性映射能力，开展了入境旧机电产品的再制造质量评估。首先，分别从预处理质量、再设计质量、再生产质量和销售服务质量等4个方面对入境旧机电产品再制造质量的影响因素进行分析，构建了包括回收、拆卸、清洗、质量总体规划、技术方案设计、工艺方案决策、零件再制造、部件再装配、整机调试与检验、售前服务、售中服务和售后服务等12个影响因素的入境旧机电产品再制造质量影响因素体系。其次，进而提出由交互层、预测层、建模层等3层结构组成的再制造质量评估策略框架，并基于入境旧机电产品再制造质量影响因素体系，构建了3层BP神经网络预测模型。最后，以入境旧车床再制造质量评估为例，训练得到3层BP神经网络预测模型并构建了入境旧车床再制造质量评估系统。通过实例测试，入境旧车床再制造质量评估系统的预测精度为97.18%，表明系统预测精度满足要求，对于提高再制造产品质量、降低再制造成本、提高再制造系统稳定性及对于我国大力发展再制造工程都具有重要的实际意义。